K-Means算法的10个有趣用例

K-means算法具有悠久的历史，并且也是最常用的聚类算法之一。K-means算法实施起来非常简单，因此，它非常适用于机器学习新手爱好者。首先我们来回顾K-Means算法的起源，然后介绍其较为典型的应用场景。

起源

1967年，James MacQueen在他的论文《用于多变量观测分类和分析的一些方法》中首次提出 “K-means”这一术语。1957年，贝尔实验室也将标准算法用于脉冲编码调制技术。1965年，E.W. Forgy发表了本质上相同的算法——Lloyd-Forgy算法。

什么是K-Means算法？

聚类，是将数据分成若干组，使得相同组中的数据点之间比其他组中的数据点更具有相似性。简而言之，聚类就是将具有相似特征的数据点分割成一个个组，也就是一个个聚类中。K-means算法的目标是在数据中查找一个个组，组的数量由变量K表示。根据数据所提供的特征，通过迭代运算将每个数据点分配给K个组中的其中一个组。下图中K = 2，因此可以从原始数据集中识别出两个聚类。

在一个数据集上执行K-means算法，其输出分别是：

1.K中心点：从数据集中识别的k个聚类的每一个中心点。

2.数据集的完全标记，以确保每个数据点都可以分配给其中一个聚类。

K-Means<